Cohere Embed 5 Fast: o que se sabe sobre capacidades, acesso e preço

Que modelo estamos a analisar e o que as evidências permitem afirmar

O Cohere Embed 5 Fast é uma variante da família Embed 5, juntamente com o Embed 5 Pro, segundo o anúncio de lançamento incluído na documentação da Cohere. Esta identificação delimita o objeto da análise, mas não resolve, por si só, questões operacionais como o nome exato a utilizar numa solicitação, a versão disponível em cada serviço ou a equivalência dos parâmetros entre canais.

As informações verificadas e fornecidas para esta análise são desiguais: incluem referências gerais a modelos de embeddings, um anúncio do Embed 5 e excertos de páginas de produto e preços. Não incluem o texto integral das especificações técnicas do modelo, uma tabela completa de modalidades ou um protocolo de avaliação. Por isso, este artigo distingue os factos que constam das fontes fornecidas dos aspetos que não podem ser confirmados com esse material.

A página geral da Cohere descreve a sua família de embeddings como capaz de transformar texto e imagens em representações semânticas. Trata-se de contexto sobre a oferta da empresa, não de uma especificação inequívoca do Embed 5 Fast. Do mesmo modo, a publicação sobre o Embed 5 apresenta-o como orientado para a recuperação de documentos multimodais, multilingues e financeiros, mas o excerto disponível não esclarece que entradas o Fast aceita especificamente nem como foi medido esse alcance.

Consequentemente, não se deve converter automaticamente a designação «multimodal» numa lista de formatos compatíveis, nem entender «multilingue» como uma garantia de qualidade em qualquer idioma. Para decidir se o modelo se adequa a uma arquitetura concreta, é necessário confirmar primeiro a documentação técnica aplicável à variante e ao canal de acesso escolhidos.

Modalidades, entradas e saídas: o que falta verificar

Numa implementação de pesquisa ou recuperação, «aceita texto e imagens» pode descrever situações muito diferentes. O texto pode ser processado diretamente, enquanto uma imagem pode exigir uma entrada específica; também pode tratar-se de representações geradas por caminhos separados e comparadas depois num espaço comum. As evidências fornecidas não especificam qual destas possibilidades se aplica ao Embed 5 Fast. Não é seguro presumir que aceita uma imagem como entrada direta, que combina texto e imagem numa única solicitação ou que devolve vetores comparáveis entre modalidades.

Também não foram fornecidos o esquema da solicitação, os tipos de ficheiro aceites, as restrições de tamanho, a dimensão dos vetores, o método de normalização, nem os requisitos para consultar e armazenar as representações. Estes detalhes afetam a conceção do fluxo de processamento: determinam como o corpus é pré-processado, que dados são guardados e como as similaridades são calculadas.

A descrição geral da Cohere sobre embeddings menciona texto e imagens na sua oferta, enquanto o anúncio do Embed 5 caracteriza o desempenho de recuperação da família como multimodal. Nenhum dos excertos verificados que acompanham esta análise fornece uma especificação completa da variante Fast. Por conseguinte, essas descrições devem ser tratadas como indicações sobre o posicionamento da família, não como uma lista de capacidades pronta a implementar.

Multilinguismo e qualidade de recuperação não são sinónimos

O termo «multilingue» indica uma orientação ou capacidade abrangente, mas não informa, por si só, sobre a precisão relativa entre idiomas, a recuperação entre idiomas diferentes ou o comportamento perante consultas que misturam idiomas. O material fornecido da AWS refere mais de cem idiomas ao abordar modelos da Cohere no Bedrock, mas não demonstra que esse número descreva o Embed 5 Fast. Também não inclui resultados discriminados por idioma para esta variante.

Convém separar três perguntas. A primeira é se o modelo processa o idioma presente no corpus. A segunda é se uma consulta num idioma recupera conteúdo escrito noutro. A terceira é se a qualidade é suficiente para o domínio, a terminologia e o tipo de consulta de uma equipa. Uma afirmação geral sobre suporte multilingue não responde automaticamente a estas três perguntas.

Não foram fornecidas pontuações, conjuntos de dados, métricas, configurações de pesquisa ou comparações reproduzíveis para o Embed 5 Fast. Assim, não há aqui fundamento para afirmar que supera outra versão, que oferece uma determinada qualidade ou que é adequado a uma tarefa específica. As descrições do fornecedor sobre a família ajudam a identificar a finalidade do produto, mas não substituem uma avaliação do modelo exato com consultas representativas.

Canais de acesso e condições do serviço

O material disponível identifica a Cohere como fornecedora da família e inclui uma página da AWS sobre modelos da Cohere no Amazon Bedrock. Contudo, o excerto da AWS não confirma que o Embed 5 Fast esteja disponível nesse serviço. Também não basta para atribuir a esta variante as condições, regiões ou parâmetros de outros modelos da Cohere presentes no Bedrock.

A proposta de análise menciona o Azure AI Foundry como uma possibilidade a verificar, mas as fontes verificadas aqui incluídas não apresentam uma referência conclusiva à disponibilidade do Embed 5 Fast no Azure. Por rigor, essa disponibilidade não pode ser apresentada como confirmada. A mesma cautela aplica-se a qualquer outro fornecedor, região ou modalidade de serviço que não esteja expressamente identificado nas fontes.

Mesmo que o modelo esteja disponível em mais de um canal, não convém presumir que os canais são intercambiáveis. Podem variar a forma de invocação, os identificadores do modelo, a disponibilidade geográfica, os limites de solicitações, a gestão de dados ou as condições comerciais. A documentação da Cohere sobre chaves e limites da API é pertinente como referência geral, mas o material fornecido não estabelece limites específicos para o Embed 5 Fast.

Antes de tomar uma decisão de arquitetura, a equipa deve confirmar por escrito o nome atual do modelo, a versão ou o identificador utilizado, as regiões disponíveis, o caminho de acesso e as condições aplicáveis ao canal contratado. Deve também verificar se as instruções e os parâmetros do serviço se referem ao Fast, e não ao Embed 5 Pro ou a outra geração.

Preço: não considerar confirmada a cifra de 0,08 dólares por milhão

A cifra de 0,08 dólares por milhão de tokens aparece na proposta inicial, mas não é confirmada pelos excertos das fontes verificadas fornecidos. A página de preços da Cohere consta como fonte relevante e o respetivo excerto menciona o Embed 5 Fast, além dos montantes de 3,00 e 2.000 e de referências a Fast e Pro. O material fornecido não explica a que correspondem esses montantes, qual é a unidade nem em que condições se aplicam. Não seria rigoroso interpretá-los como uma tarifa por milhão de tokens.

Também foi fornecido um excerto da publicação da Cohere sobre o Embed 5 que menciona um preço de 0,12 dólares por milhão, mas não esclarece a que variante corresponde. Portanto, não permite concluir que esse seja o preço do Fast, nem excluir preços diferentes consoante a variante, o volume ou o canal.

A conclusão operacional é limitada, mas importante: com as evidências disponíveis, não é possível validar a cifra de 0,08 dólares por milhão nem atribuir com certeza a referência de 0,12 dólares por milhão ao Embed 5 Fast. Também não é possível confirmar a unidade de faturação. Antes de comparar custos, é necessário obter a tarifa atual e verificar se a cobrança é feita por tokens de entrada, por elementos processados, por volume ou por outra unidade, além de consultar mínimos, descontos e diferenças entre canais.

O custo do modelo também não equivale ao custo total da recuperação. Uma avaliação económica deve considerar, além do preço para gerar embeddings, o volume processado na criação ou atualização do índice, as consultas, o armazenamento, a infraestrutura de pesquisa e os mecanismos de atualização. Estes componentes dependem da arquitetura da equipa; as fontes fornecidas não os quantificam para este modelo.

Segurança e tratamento de dados: verificar o canal, não apenas o nome do modelo

A página geral da Cohere utiliza a expressão «Secure AI Retrieval» e apresenta os seus embeddings num contexto empresarial. Essa descrição não equivale, por si só, a compromissos verificáveis sobre retenção, utilização para treino, localização dos dados, encriptação, controlo de acesso ou eliminação. As fontes fornecidas não especificam que controlos concretos se aplicam ao Embed 5 Fast.

Também não se pode inferir que as condições sejam idênticas quando o modelo é invocado através da API da Cohere, da AWS ou de outra plataforma. O responsável pelo tratamento, os termos contratuais e as opções de configuração podem depender do serviço efetivamente utilizado. As fontes desta análise não contêm informação suficiente para comparar estes aspetos entre canais.

Para uma utilização com dados sensíveis, a análise de segurança deve basear-se na documentação contratual e técnica atual do canal selecionado. Entre as perguntas práticas estão: durante quanto tempo são conservadas as solicitações e as saídas; se são utilizadas para treinar ou melhorar serviços; onde são processadas; que controlos de acesso existem; e como os dados podem ser eliminados. Esta lista é um guia de verificação, não uma afirmação de que a Cohere ou outro fornecedor específico ofereça determinada resposta.

Como avaliar o Embed 5 Fast sem confundir um teste com uma promessa

As fontes fornecidas não apresentam benchmarks verificáveis do Embed 5 Fast com tarefas, dados, métricas e condições suficientes para interpretar os resultados. O anúncio de uma família de embeddings e as descrições de recuperação avançada não permitem estabelecer uma pontuação nem uma vantagem face ao Embed 5 Pro, a modelos anteriores ou a outras alternativas.

Por isso, a decisão sobre a qualidade deve basear-se numa avaliação própria. O conjunto de teste tem de refletir o corpus e as consultas reais: idiomas, jargão, documentos curtos e longos, consultas ambíguas, nomes próprios e, se for relevante, conteúdo visual. Num sistema multimodal, é necessário testar separadamente cada direção relevante — por exemplo, texto a pesquisar conteúdo com imagens — apenas depois de confirmar que o fluxo é suportado pela especificação do modelo.

A avaliação deve definir uma métrica adequada à etapa que se pretende medir. Para a recuperação inicial, podem ser úteis medidas da cobertura entre os primeiros resultados; num fluxo RAG, também importa saber se as passagens recuperadas contêm evidências suficientes para responder. Não há resultados deste tipo para o modelo exato no material disponível. Assim, qualquer valor obtido por uma equipa será evidência do seu próprio contexto, não uma propriedade universal do modelo.

É recomendável manter uma comparação com a solução atual e separar as alterações ao embedding das alterações ao índice, ao pré-processamento ou ao motor de pesquisa. Se forem mudados vários componentes ao mesmo tempo, será difícil atribuir uma melhoria ou uma degradação ao Embed 5 Fast. Convém também registar o custo observado no canal real e analisar exemplos de falhas, não apenas uma pontuação agregada.

Conclusão: o que uma equipa pode decidir e o que precisa de confirmar

Com as evidências disponíveis, é possível afirmar que a Cohere anunciou o Embed 5 como uma família que inclui as variantes Pro e Fast. Existem também descrições gerais dos embeddings da Cohere que mencionam texto e imagens, bem como material promocional que associa o Embed 5 à recuperação multimodal e multilingue. Estas referências ajudam a compreender a orientação do produto, mas não são suficientes para especificar as entradas do Fast nem para afirmar um nível de qualidade concreto.

Não está confirmada a disponibilidade exata do Embed 5 Fast no Azure AI Foundry ou no Amazon Bedrock, nem a equivalência das condições entre canais. Também não é possível validar o preço de 0,08 dólares por milhão de tokens, atribuir inequivocamente ao Fast o preço de 0,12 dólares por milhão ou identificar a unidade de faturação com base nos excertos disponíveis. As propriedades de segurança específicas e os limites técnicos da variante também exigem documentação atual mais completa.

Uma equipa pode utilizar esta informação para preparar perguntas de compra e conceber um teste, mas não para declarar que o modelo é a opção mais adequada. Antes de o integrar, deve confirmar o identificador exato, as modalidades e os formatos aceites, a disponibilidade por região, os limites, as condições relativas aos dados e a tarifa do canal específico. Depois, deve medir o comportamento no seu próprio corpus e comparar o custo total com alternativas avaliadas nas mesmas condições.

A diferença essencial relativamente a uma análise do custo por recuperação útil é que, neste caso, não há dados de desempenho suficientes para calcular esse resultado. A decisão responsável consiste em separar as especificações que o fornecedor confirmar das hipóteses que a equipa medir. Até existir essa informação, o caráter multimodal, o multilinguismo e o preço são motivos para investigar o modelo, não provas de que se adequa a um caso de utilização.

Continue a explorar

Correções e transparência

Se encontrar informação incorreta ou desatualizada, envie-nos a página e a fonte que devemos rever.